Analyse de questions d’apprenants et de profils associés dans des environnements en ligne

Analyzing learners' questions and associated profiles in online environments

• Auteur / Autrice : Fatima Harrak
• Direction : Vanda Luengo
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 25/10/2019
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Informatique, télécommunications et électronique de Paris (1992-...)
• Partenaire(s) de recherche : Laboratoire : LIP6 (1997-....)
• Jury : Président / Présidente : Christophe Marsala
• Jury : Examinateurs / Examinatrices : Fabrice Popineau, Bénédicte Le Grand, François Bouchet
• Jury : Rapporteurs / Rapporteuses : Agathe Merceron, Anne-Laure Ligozat

Mots clés

Mots clés contrôlés

Analyse des données

Formation en ligne

Classes inversées

Enseignement -- Méthodes actives

Mots clés libres

Questions d'étudiants

Profil d'étudiants

Classe inversée

Clustering

Classification automatique

Mooc

Students' questions

Students' profile

Blended learning

Clustering

Automatic classification

Mooc

Résumé

Les questions des élèves sont utiles pour leur apprentissage et l'adaptation pédagogique des enseignants. Cependant, le volume de questions posées en ligne par les étudiants peut empêcher les enseignants de traiter chaque question (e.g. MOOC ou large cohorte universitaire). Nous abordons cette problématique principalement dans le cadre d’une formation hybride dans lequel chaque semaine les étudiants posent des questions en ligne, selon une approche de classe inversée, pour aider les enseignants à préparer leur séances de questions-réponses en présentiel. Notre objectif est d’outiller l’enseignant pour qu’il détermine les types de questions posées par les différents groupes d’apprenants. Pour mener ce travail, nous avons développé un schéma de codage de questions guidé par l’intention des élèves et la réaction pédagogique de l’enseignant. Plusieurs outils de classification automatique ont été conçus, évalués et combinés pour catégoriser les questions. Nous avons montré comment un modèle dérivé de clustering des données et entraîné sur des sessions antérieures peut être utilisé pour prédire le profil des élèves en ligne et établir des liens avec leurs questions. Ces résultats nous ont permis de proposer trois organisations de questions aux enseignants (basées sur les catégories de questions et profils des apprenants) qui ouvrent des perspectives de traitement différent lors des séances de questions-réponses. Nous avons testé et montré la possibilité d’adapter notre schéma de codage et les outils associés au contexte très différent d’un MOOC, ce qui suggère une certaine généricité de notre approche.

Students' questions are useful for their learning and for teachers' pedagogical adaptation. However, the volume of questions asked online by students may prevent teachers from dealing with each question (e.g. MOOC or large university cohort). We address this issue mainly in the context of a hybrid training program in which students ask questions online each week, using a flipped classroom approach, to help teachers prepare their on-site Q&A session. Our objective is to support the teacher to determine the types of questions asked by different groups of learners. To conduct this work, we developed a question coding scheme guided by student’s intention and teacher’s pedagogical reaction. Several automatic classification tools have been designed, evaluated and combined to categorize the questions. We have shown how a clustering-based model built on data from previous sessions can be used to predict students' online profiles using exclusively the nature of the questions they ask. These results allowed us to propose three alternative questions’ organizations to teachers (based on questions’ categories and learners’ profiles), opening up perspectives for different pedagogical approaches during Q&A sessions. We have tested and demonstrated the possibility of adapting our coding scheme and associated tools to the very different context of a MOOC, which suggests a form of genericity in our approach.